Keras 2.0.7 版發布，諸多改進將強化TensorFlow的開發能力

在深度學習領域，谷歌的 TensorFlow 可以說是最為出名的開源工具。它的出現使得深度學習的門檻被大大降低，不僅僅是人工智慧專家，就連最普通的程序開發人員都可以利用它來開發出 AI 產品。

但這並不意味這 TensorFlow 已經臻於完美，仍有相當多的開發者會抱怨它的 API 過於冗長和混亂。神經網路專家 Rachel Thomas 就曾說過，「接觸 TensorFlow 後，我感覺我還是不夠聰明，但有了 Keras 之後，事情會變得簡單一些。」

他所提到的 Keras 是一個高級別的 Python 神經網路框架，能在 TensorFlow 上運行。其不僅是第一個被添加到 TensorFlow 核心中的高級別框架，而且還已經成了 Tensorflow 的默認 API。換言之，Keras 對於提升開發者的開發效率來講意義重大。

就在昨天，Keras 之父 Fran?ois Chollet 又在 GItHub 發布了最新版的 Keras —— Keras2.0.7 。而這已經是今年三月 Keras 2.0 發布以來的最重大更新之一。其各項主要改進方面如下：

漏洞修復；

性能提升；

文件改善；

添加了案例文本，為在 TensorFlow 的數據張量（比如 Datasets, TFRecords）上訓練模型提供了更好的支持；

提升了 TensorBoard 的用戶體驗——對 ops 更好地用名稱進行分組；

提升測試覆蓋範圍。

API 變化：

加入 clone_model 方法, 能夠把已有模型作為模板創建新模型；

向 compile 中加入 target_tensors 參數，用戶能把定製張量或佔位符作為模型目標；

把 steps_per_epoch 參數加入 fit，用戶能採用和 Numpy 數組一致的方法來訓練數據張量；

把該 steps 參數加入 predict 和 evaluate；

加入 Subtract merge 層，以及關聯層 function subtract；

把 weighted_metrics 參數加入 compile，進一步規定 metric 函數，以把 sample_weight 或 class_weight 納入考慮；

讓 stop_gradients 後端函數在整個後端保持一致性；

允許 repeat_elements 後端函數有動態的形態；

支持 CNTK 的全狀態 RNN。

重大變化：

使約束管理（constraint management）基於變數屬性；

移除層和模型中已經不再使用的約束屬性。

GitHub 地址：https://github.com/fchollet/keras/releases/tag/2.0.7

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！